偵測與處方之間的分析層

衛星告訴你農田受到逆境影響。SpectraRx 告訴你哪裡出了問題、成因為何，以及該施作什麼。

Name: SpectraRx
Author: Veriprajna

在這套針對單一作物與地理區域、具備物理依據的合成示範中，NDVI 會用相同的琥珀色標示氮素、水分與真菌逆境。SpectraRx 讀取每個像素的完整 424 波段曲線，指明成因，依真實噴桿幾何結構編寫變率處方，並產生供審核的 IPM 風格紀錄範本。無法獲得充分佐證的像素則將不確定性導向實地踏查。

0.887

區分逆境類型的 Macro-F1

在 1,280 像素留出集上，424 波段光譜 CNN 相較於 Sentinel-2 現有基準的 0.69

424 個波段

每個像素皆具備完整 VNIR 與 SWIR 曲線

400 至 2515 nm，涵蓋可見光、近紅外光與短波紅外光

0.887 降至 0.373

未進行大氣校正時的準確率

校準至關重要，於應用程式內量測

這是可執行的示範。高光譜場景為具備物理依據的合成資料立方體，尚未實作即時感測器與農機連接器。已訓練的分類器、決定性閘門、匯出格式以及產生的 IPM 風格紀錄範本均如實運行。

未指明成因的「受逆境影響」警報，算不上決策

偵測到問題與實際採取行動之間的落差。

多光譜監測與 NDVI 可以將大片玉米田塊塗成琥珀色並稱之為受逆境影響。但它們無法識別成因。氮素短缺、水分不足與早期真菌感染需要不同的應對措施，而逆境警報卻對所有問題給出同一種顏色。

胡亂猜測的代價是營運上的損失。錯誤的診斷會把一次田間作業浪費在錯誤的問題上，而遺漏病害訊號則會縮短應對時間。單一琥珀色色塊無法為這些情況精準定位。

誠實的解決方案不是一張更好看的熱圖。而是一層能解讀作物物理特性、區分各種成因，並在底層資料不可信時將高棄權區域導向實地踏查的分析智能層。這就是我們打造的層級。

SpectraRx 運作方式

決定性處理鏈：擷取、校準、診斷、閘門檢驗、開立處方、記錄。分類器提出診斷建議；程式碼決定是否可以安全採取行動。

每個場景都是由 424 個波段組成的高光譜資料立方體，波長範圍涵蓋可見光、近紅外光與短波紅外光的 400 至 2515 nm。經驗線法大氣校正從大氣頂層輻亮度還原大氣底層地表反射率，並為每個場景標記校準溯源旗標。我們使用純 numpy 從頭手寫、具備真實摺積、反向傳播與 Adam 的客製 1-D 光譜 CNN，將每個像素的完整曲線分類為健康、缺氮、水分逆境或早期焦斑病，並經過溫度縮放以校準其信心度。同時運行窄波段物理特徵模型與真實的 Sentinel-2 寬波段現有基準作為對照基準。

獨立於模型之外的三道閘門

信任絕不依賴模型自身的信心度報告。在任何像素轉化為處方之前，都必須通過三道決定性檢查。

1. 校準溯源

大氣校正會為每個場景標記溯源旗標。在刻意跳過校準的模式下，原始大氣頂層資料會直接傳送至分類器，使下游的信心度與物理一致性閘門能夠暴露失效路徑。

2. 信心度與模糊性

低信心度或特徵混雜的像素會選擇棄權，而非強行分類。棄權像素達到或超過 34% 的區域會導向實地踏查；其他區域則依據其非棄權的多數類別來開立處方。

3. 物理一致性

若 CNN 主張某種類別，但文獻記載的物理特徵不符（例如判定為缺氮，但紅邊並未偏移），該像素便會棄權。任何主張都必須與光譜學特徵吻合。

從診斷到噴桿就緒方案與可審核的紀錄範本

具體類型的診斷地圖使用 27 m 噴桿規格，從 5 m 像素聚合為 25 m 管理單元。設備幾何結構是計算的一部分，而非事後補充。農藝施作劑量遵循設定的診斷規則，包括僅允許在設定的 R3 窗口期內採取行動的殺真菌劑規則。該方案可匯出為 ISO-XML 與 GeoJSON。

示範隨後根據診斷與處方產生歐盟「從農場到餐桌」（EU Farm to Fork）IPM 風格紀錄範本，供農藝師與合規審核使用。本示範不提供即時法規申報或連接器。語言模型在整條管線中唯一被允許介入的地方，是依據已計算的事實生成說明文字，且預設具備範本後備機制，因此示範無需 API 金鑰即可運行。

端到端解析琥珀色色塊

示範中具備物理依據的合成場景。下方每張圖片均為運行中應用程式的螢幕截圖。

一種顏色掩蓋三種不同問題

NDVI 標籤頁以衛星監測服務的呈現方式展示農田：東北象限有一處琥珀色區域，標記為受逆境影響，沒有成因說明也沒有處方。這是每個精準農業團隊都已經擁有的起點，也是決策停滯不前的地方。

NDVI 衛星標籤頁顯示一個琥珀色受逆境影響區域，附帶說明文字「一個色塊，無成因，無處方」，且裁決面板仍處於閒置狀態。 — NDVI 視圖：單一琥珀色色塊，無成因，無處方。

色塊解析為具體類型的區域

執行「診斷農田」將該單一琥珀色區域拆分為不同成因：缺氮為琥珀色、水分逆境為藍色、早期焦斑病為紅色，帶有斜線網底的像素則為棄權並導向實地真實踏查。在此留出且具物理依據的合成場景中，裁決面板回報 SpectraRx 的 macro-F1 為 0.89（Sentinel-2 現有基準為 0.69）、校準後準確率為 0.89，且全田有 20.1% 的面積棄權。一張地圖化為三項截然不同的作業。

SpectraRx 診斷視圖：琥珀色色塊解析為缺氮（琥珀色）、水分逆境（藍色）與早期焦斑病（紅色）區域，並帶有斜線網底的棄權像素；裁決面板顯示 SpectraRx macro-F1 0.89、Sentinel-2 0.69 以及全田 20.1% 面積棄權。 — 診斷結果：缺氮（琥珀色）、水分（藍色）、焦斑病（紅色）與棄權（斜線網底）區域，以及留出集的裁決結果。

模型解讀的是物理特性，而非死記資料

對任何作物分類器最常見的質疑，就是它只學會了自身訓練資料的樣貌。光譜檢視器直接解答了這部分疑慮。針對焦斑病，獨立計算的波段顯著性軌跡在最接近 531 nm PRI 診斷特徵的取樣 530 與 535 nm 區間出現峰值。針對缺氮，它賦予 680 至 720 nm 紅邊較高權重。系統亦獨立檢查文獻記載的 970、1450 與 1940 nm SWIR 水分診斷指標；這些檢查並未呈現為 CNN 的最高顯著性峰值。

早期焦斑病像素的光譜檢視器，顯示 424 波段反射率曲線與一條橘色波段顯著性軌跡，該軌跡在接近 PRI 診斷特徵的取樣 530 與 535 nm 區間達到峰值。 — 焦斑病顯著性在最接近 531 nm 附近 PRI 診斷指標的取樣 530 與 535 nm 區間達到峰值。

校準至關重要，模型亦坦誠反映這一點

切換「跳過大氣校正」會向分類器傳送原始大氣頂層輻亮度。準確率從 0.887 暴跌至 0.373；92.2% 的像素棄權，144 個管理區域中有 140 個導向實地真實踏查。在區域規則下仍有 4 個水分逆境區域維持施作，因此這是一項可檢視的安全防護機制，而非一刀切的全面封鎖。

啟用「跳過大氣校正」時的診斷視圖：準確率圖塊顯示未校準的 0.37，農田棄權面積圖塊顯示 92.2%，大部分農田帶有斜線網底並導向實地踏查。 — 跳過大氣校正後準確率降至 0.37，全田 92.2% 的面積選擇棄權，而非給出錯誤處方。

噴桿可執行的處方，以及供審核的紀錄範本

診斷結果以 27 m 噴桿規格與 25 m 解析度轉化為 144 個管理單元：21 個施作區、25 個踏查區與 98 個已健康區。每個施作區在示範的決定性處方規則下均標有藥劑產品與劑量。可匯出為 ISO-XML 與 GeoJSON，以及歐盟「從農場到餐桌」IPM 風格紀錄，其中列出各區域地理座標、光譜證據、已評估的替代方案、R3 截止期與專業農藝師簽名欄。

27 m 噴桿與 25 m 管理單元、生長階段 V12 下的變率處方表，列出各區域診斷、藥劑產品與施作劑量，並附有 ISO-XML、GeoJSON 與歐盟「從農場到餐桌」IPM 噴灑紀錄的匯出按鈕。 — 變率處方：依真實噴桿幾何結構計算的各區域產品與劑量，可匯出為 ISO-XML 與 GeoJSON。

歐盟「從農場到餐桌」IPM 噴灑紀錄，列出各區域地理座標、觸發的光譜特徵（例如 531 nm 處光化學反射指數受壓抑）、產品與劑量、R3 截止期、已評估的替代方案，以及專業農藝師簽名與日期欄。 — 歐盟「從農場到餐桌」IPM 紀錄，附帶各區域光譜證據與專業農藝師簽名欄。

寬波段現有基準存在結構性盲區之處

在 1,280 像素留出、具備物理依據的合成品種與土壤測試中，SpectraRx 取得 macro-F1 0.887，相較之下 Sentinel-2 現有基準為 0.69，窄波段物理特徵模型為 0.856。就個別類別而言，現有基準在缺氮上確實是非常強勁的基準線，接近 1.0。但在水分上落後（0.63 對比 0.97），在早期焦斑病上也落後（0.61 對比 0.77）。這是機制驗證結果，而非田間保證。

基準測試畫面顯示 SpectraRx 與 Sentinel-2 的各類別 F1 長條圖：健康 0.81 對比 0.52、缺氮 1.00 對比 1.00、水分 0.97 對比 0.63、焦斑病 0.77 對比 0.61，外加混淆矩陣以及 SpectraRx 88.7% 對比 Sentinel-2 69.2% 的即時評估。 — 留出集上的各類別 F1：現有基準在缺氮上表現相當，但在寬波段存在盲區的水分與焦斑病上明顯落後。

Sentinel-2 寬波段與 SpectraRx 對比

與示範所比對的同一個現有基準並列比較。這是一個真實且強勁的基準線，而不是虛構的稻草人。

維度	Sentinel-2 寬波段現有基準	SpectraRx
每像素讀取的波段數	13 個寬波段	424 個，VNIR 與 SWIR（400 至 2515 nm）
區分缺氮、水分、焦斑病	缺氮可；水分與焦斑病辨識力微弱	三者兼備，逐像素判別
水分逆境 F1（留出集）	0.63	0.97
早期焦斑病 F1（留出集）	0.61	0.77
面對模糊或未校準像素時的行為	照常分類	選擇棄權，導向實地真實踏查
最終產出內容	一個逆境旗標	具體類型的診斷、變率處方，以及可審核的 IPM 風格紀錄範本

本示範不做的事

✓ 它不使用真實田間擷取資料。場景為具備物理依據的合成高光譜資料立方體；健康基準遵循已發表的綠色植被反射率，逆境特徵則為文獻記載的物理擾動。真實世界的準確率需要累積兩個季度的實地真值資料庫，此項工作已遞延。
✓ 它不將 0.887 的 macro-F1 視為開放世界保證。該結果僅建立在針對單一作物（玉米）與單一地理區域、包含 1,280 個像素的留出合成分布偏移集之上。
✓ 它不連接即時感測器或農場管理平台。即時感測器整合與合作夥伴推送連接器尚未實作。ISO-XML 與 GeoJSON 匯出格式則是真實可用的。
✓ 它不讓語言模型做出決策。由決定性閘門負責裁決；選用的 LLM 僅依據已計算的事實生成 IPM 說明文字，並預設採用範本後備機制，不處於信任路徑之中。
✓ 它不包含客戶、部署案例、試點專案、背書或投資報酬率數據。目前尚不存在這些內容。這是一套用於證明機制的示範。

買家實際會問的問題

這與我們已經付費使用的 NDVI 及衛星監測有何不同？

NDVI 與多光譜監測可以偵測出農田有異狀，卻無法指明成因。SpectraRx 讀取每個像素的完整 424 波段反射率曲線，明確指出診斷結果、觸發波長與行動路徑。在示範中 1,280 像素留出、具備物理依據的合成品種與土壤測試上，它以 0.887 的 macro-F1 區分逆境類型，而 Sentinel-2 寬波段現有基準為 0.69；水分逆境為 0.97 對比 0.63，早期焦斑病為 0.77 對比 0.61。

我如何知道模型是在解讀作物逆境，而不是單純死記你們的資料？

將滑鼠懸停在光譜檢視器中的任何區域，即可繪出波段顯著性軌跡，顯示 CNN 實際賦予權重的波長，該軌跡是獨立於分類器自身特徵之外計算得出的。焦斑病與 531 nm 光化學反射指數波段相關，缺氮與 680 至 720 nm 紅邊相關。系統亦檢查文獻記載的 970、1450 與 1940 nm SWIR 水分診斷特徵，且未將其呈現為 CNN 的最高顯著性峰值。基準測試採用兩個模型均未曾參與訓練的品種與土壤之留出合成資料集。

對於模型無法確定的像素會如何處理？

獨立於模型之外有三道決定性閘門：校準溯源閘門、信心度與模糊性閘門，以及物理一致性檢查（若 CNN 類別與文獻記載的物理特徵不符則棄權）。棄權像素達到或超過 34% 的區域導向實地踏查；其他區域則依其非棄權的多數類別開立處方。在預設的校準場景中，有 20.1% 的像素棄權。這是一項清晰可見的安全防護機制，而非追求完美的宣稱；焦斑病 F1 為 0.77。

它真的能驅動我們的變率設備，還是只是一張地圖？

診斷地圖使用 27 m 噴桿規格，從 5 m 像素聚合為 25 m 管理單元。在示範中產生了 144 個管理單元（21 個施作、25 個踏查、98 個健康），附帶各區域產品與劑量，並可匯出為 ISO-XML 與 GeoJSON。匯出格式是真實可用的；即時合作夥伴推送連接器在本示範中尚未實作。

這是否能產生符合歐盟「從農場到餐桌」與 IPM 合規所需的紀錄？

SpectraRx 依據診斷與處方，以決定性方式產生歐盟「從農場到餐桌」IPM 風格紀錄範本：地理座標、各區域光譜證據與多數類別區域覆蓋率、已評估的替代方案、建議產品與劑量、殺真菌劑窗口截止期、校準溯源、模型名稱與版本，以及專業農藝師簽名欄。本示範並未宣稱具備即時法規申報或連接器。

場景是合成的。我為什麼要相信這些數字？

每個數字在固定種子下均可完全重現，且是在由兩個模型都未曾訓練過的品種與土壤組成的 1,280 像素留出集上量測得出，屬於分布偏移而非死記硬背。場景為具備物理依據的合成資料立方體：健康基準遵循已發表的綠色植被反射率，逆境特徵則是獨立於分類器之外注入的文獻記載物理擾動。我們將 0.887 的 macro-F1 明確陳述為單一作物與地理區域在該標記合成集上的結果，絕非開放世界的田間保證。真實世界的準確率需要累積兩個季度的實地真值資料庫，此為後續遞延的工作。

你們目前是否能連接我們的感測器與 John Deere Operations Center？

在本示範中尚未支援。即時感測器整合與合作夥伴推送連接器尚未實作。真實存在的是分析處理鏈：大氣校正、424 波段光譜 CNN、決定性閘門、處方計算數學，以及 ISO-XML、GeoJSON 與 IPM 風格匯出格式。Veriprajna 打造與感測器無關的分析技術；我們不擁有衛星，也不製造感測器。

技術研究

支撐本示範背後的研究——架構、驗證設計與企業藍圖。

完整解決方案

探索精準農業高光譜 AI 解決方案 →

正在彌合逆境旗標與噴灑計劃之間的落差嗎？

困難的部分在於經過校準、具備棄權機制且兼顧設備特性的處理鏈，而非分類器本身。我們為您打造這條處理鏈。

如果您的團隊正面臨無法採取行動的逆境地圖，真正值得探討的問題在於如何為您的作物、感測器與設備劃定棄權界線。相較於單純的業務推銷，我們更希望能與您展開這樣的深入對話。

光譜分析評估

✓ 梳理逆境旗標導致農藝決策停滯之處
✓ 定義適用於您作物的診斷波長與類別
✓ 設定校準溯源與棄權門檻
✓ 明確制定合規團隊必須申報的 IPM 紀錄規範

打造處理鏈

✓ 涵蓋您感測器與品種的光譜分類器
✓ 具備逐場景溯源的大氣校正
✓ 兼顧設備特性的變率處方（ISO-XML、GeoJSON）
✓ 供審核的歐盟「從農場到餐桌」IPM 風格紀錄範本

透過 WhatsApp 聯繫發送電子郵件給我們的團隊